Diese Arbeit untersucht ein neues Problemfeld der Entitätsausrichtung in Wissensgraphen (Knowledge Graphs, KGs). Da KGs jeweils unterschiedliche Mengen an Entitäten enthalten, können Entitäten auftreten, die keine Entsprechung in anderen Graphen finden, was zum Problem hängender Entitäten führt. Als erste Studie zu diesem Problem konstruieren wir eine neue Datensammlung und entwickeln einen Mehraufgaben-Lernrahmen für sowohl die Entitätsausrichtung als auch die Erkennung hängender Entitäten. Der Rahmen kann darauf verzichten, eine Ausrichtung für erkannte hängende Entitäten vorherzusagen. Wir schlagen drei Techniken zur Erkennung hängender Entitäten vor, die auf der Verteilung der Abstände zu den nächsten Nachbarn basieren: Nachbarschafts-Klassifikation, marginale Rangordnung und Hintergrund-Rangordnung. Nach der Erkennung und Entfernung hängender Entitäten kann ein integrierter Ausrichtungsmodell innerhalb unseres Rahmens eine robustere Ausrichtung für die verbleibenden Entitäten liefern. Umfassende Experimente und Analysen belegen die Wirksamkeit unseres Ansatzes. Zudem stellen wir fest, dass der Modul zur Erkennung hängender Entitäten die Lernleistung der Ausrichtung und die endgültige Leistung positiv beeinflussen kann. Die bereitgestellten Ressourcen sind öffentlich zugänglich, um weitere Forschung zu fördern.